摘要
交通标志检测技术是无人驾驶的关键技术之一。性能优秀的交通标志检测算法不仅能够缓解道路交通拥堵现象，还能够减少交通事故发生率，最大程度上保证驾驶员的生命安全。然而在真实道路场景中，由于各种因素的干扰，如目标被遮挡、检测目标太小、光线太强等，对交通标志检测算法的实时性、准确性造成巨大的影响。为了进一步提高交通标志检测性能，本文基于YOLOv5算法对交通标志检测技术进行如下研究： 为了提高交通标志的检测精度，本文对YOLOv5s模型进行了改进，利用SwinTransformer模型关注全局信息的特性，将SwinTransformerblocks嵌入YOLOv5s的主干网络中，并将Neck层的路径聚合网络替换成特征提取能力更强的BiFPN结构，最后使用带有角度特征的SIoU损失函数作为其边界框损失函数，得到本文提出的S-YOLO网络模型。在TT100k数据集上，本文对S-YOLO以及原YOLOv5s模型进行了对比验证，实验表明，S-YOLO模型的检测精度比YOLOv5s模型高了4.4%，而检测速度只比YOLOv5s稍慢，充分表明S-YOLO对于交通标志的检测综合性能要强于YOLOv5s。 为了减少模型计算量，提高交通标志检测速度，设计了GS-YOLO轻量化模型，并实现基于PyQt5的交通标志检测平台。通过对深度可分离卷积的理论分析引入GSConv及VoVGSCSP模块，并对主干网络和Neck层网络结构进行重新设计，在损失函数的设计上仍使用SIoU作为边界框损失函数，最后在网络输出的前一层使用ShuffleAttention保留特征图关键信息，从而平衡模型的检测精度和检测速度。通过实验计算出GS-YOLO模型的平均检测时间为0.012s，检测速度比YOLOv5s模型快了14.9%。为了直观展示GS-YOLO模型的检测效果，设计了基于PyQt5的交通标志检测平台，并在Windows环境下进行部署，验证GS-YOLO模型的有效性和实时性。
NETL